論文の概要: TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry Guided Transformer

• arxiv url: http://arxiv.org/abs/2311.13234v1
• Date: Wed, 22 Nov 2023 08:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 15:42:53.551493
• Title: TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry Guided Transformer
• Title（参考訳）: TSegFormer : Geometry Guided Transformer を用いた口腔内3次元歯の分割
• Authors: Huimin Xiong, Kunle Li, Kaiyuan Tan, Yang Feng, Joey Tianyi Zhou, Jin Hao, Haochao Ying, Jian Wu, and Zuozhu Liu
• Abstract要約: 歯科用歯冠および歯肉の詳細な3D情報を提供するために, 歯科用光学式歯内スキャナー (IOS) が広く用いられている。 既往の方法は複雑な境界においてエラーを起こしやすく、患者間で不満足な結果を示す。 マルチタスク3Dトランスフォーマアーキテクチャを用いて, 歯の局所的および大域的依存関係とIOS点群における歯肉の象牙質の両方をキャプチャするTSegFormerを提案する。
• 参考スコア（独自算出の注目度）: 47.18526074157094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical Intraoral Scanners (IOS) are widely used in digital dentistry to provide detailed 3D information of dental crowns and the gingiva. Accurate 3D tooth segmentation in IOSs is critical for various dental applications, while previous methods are error-prone at complicated boundaries and exhibit unsatisfactory results across patients. In this paper, we propose TSegFormer which captures both local and global dependencies among different teeth and the gingiva in the IOS point clouds with a multi-task 3D transformer architecture. Moreover, we design a geometry-guided loss based on a novel point curvature to refine boundaries in an end-to-end manner, avoiding time-consuming post-processing to reach clinically applicable segmentation. In addition, we create a dataset with 16,000 IOSs, the largest ever IOS dataset to the best of our knowledge. The experimental results demonstrate that our TSegFormer consistently surpasses existing state-of-the-art baselines. The superiority of TSegFormer is corroborated by extensive analysis, visualizations and real-world clinical applicability tests. Our code is available at https://github.com/huiminxiong/TSegFormer.
• Abstract（参考訳）: 歯科用歯冠および歯肉の詳細な3D情報を提供するために, 歯科用光学式歯内スキャナー (IOS) が広く用いられている。 IOSsの正確な3次元歯のセグメンテーションは、様々な歯科応用において重要であるが、従来の方法では、複雑な境界においてエラーが発生し、患者間で不満足な結果を示す。 本稿では, マルチタスク3Dトランスフォーマアーキテクチャを用いて, 歯の局所的および大域的依存関係とIOS点群における歯肉の形状をキャプチャするTSegFormerを提案する。 さらに,新しい点曲率に基づく幾何誘導損失を設計し,時間を要する後処理を回避し,臨床的に適用可能なセグメンテーションを実現する。 さらに、16,000のIOSを持つデータセットも作成しています。 実験の結果、私たちのTSegFormerは既存の最先端のベースラインを一貫して超えています。 TSegFormerの優位性は、広範な分析、可視化、実際の臨床応用テストによって裏付けられている。 私たちのコードはhttps://github.com/huiminxiong/tsegformerで利用可能です。

関連論文リスト

• A Multi-Stage Framework for 3D Individual Tooth Segmentation in Dental CBCT [7.6057981800052845]
  コーンビームCT(CBCT)は歯科疾患の診断方法として一般的である。 深層学習に基づく手法は、医用画像処理において説得力のある結果を得た。 歯科用CBCTにおける3次元歯の一般化のための多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-15T04:23:28Z)
• 3D Teeth Reconstruction from Panoramic Radiographs using Neural Implicit Functions [6.169259577480194]
  Occudentは神経暗黙機能を用いたパノラマX線写真からの3次元歯の再構築のための枠組みである。 合成画像を用いた最近の研究とは異なる、実際のパノラマラジオグラフィーを入力として訓練し、検証する。
  論文  参考訳（メタデータ） (2023-11-28T05:06:22Z)
• TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer [37.47317212620463]
  光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。 従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。 大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-29T15:20:54Z)
• Semi-supervised segmentation of tooth from 3D Scanned Dental Arches [5.985943912419412]
  歯のセグメンテーションは歯の修復において重要なトピックであり、歯冠形成、診断、治療計画に不可欠である。 本稿では,3次元アーチのセグメンテーションにおいて,スペクトルクラスタリングをニューラルネットワークの自己超越信号として用いることを提案する。 実験の結果,半教師付き学習では,完全に教師付き状態のMeshSegNetよりも改善が見られた。
  論文  参考訳（メタデータ） (2022-08-10T19:56:47Z)
• CTooth: A Fully Annotated 3D Dataset and Benchmark for Tooth Volume Segmentation on Cone Beam Computed Tomography Images [19.79983193894742]
  3次元歯のセグメンテーションはコンピュータ支援型歯科診断と治療の前提条件である。 深層学習に基づくセグメンテーション手法は説得力のある結果をもたらすが、訓練には大量の基礎的真理を必要とする。 そこで本研究では,歯金規格のCToothを完全注釈付きコーンビームで計算した。
  論文  参考訳（メタデータ） (2022-06-17T13:48:35Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。